《BGE-Base-Zh-V1.5 端侧使用教程》不同的文本输入输出的向量相识度很高,没法区分

深圳市进化图灵智能科技有限公司
深圳市进化图灵智能科技有限公司
2026-05-10 18:04:47

 

代码:https://blog.csdn.net/csdnsqst0050/article/details/157651536

环境:

windows on arm64

python x64:

qai_libs 从 `C:\Qualcomm\AIStack\QAIRT\2.41.0.251128` 复制

(C:\workspace\gitee-Omni-note\model_server\venv) PS C:\models\bge-base-zh-v1.5> pip list |findstr qai
qai_appbuilder            2.38.0
qai-hub                   0.30.0
(C:\workspace\gitee-Omni-note\model_server\venv) PS C:\models\bge-base-zh-v1.5> python .\test.py
Initializing Tokenizer...
Allocating Global Input Buffers...
Initializing QNN Context...
     0.0ms [^main][7352][WARNING]  <W> Initializing HtpProvider
   164.1ms [^main][7352][WARNING] Time: Read model file to memory. 0.40
     0.0ms [^main][7352][WARNING]  <W> m_CFBCallbackInfoObj is not initialized, return emptyList
   393.1ms [^main][7352][WARNING] Time: contextCreateFromBinary. 228.69
   414.4ms [^main][7352][WARNING] Time: UnmapViewOfFile. 21.05
   414.7ms [^main][7352][WARNING] Time: model_initialize bge_context 414.62

[Case 1] Input: 这是一段测试文本
Preprocessing text: '这是一段测试文本'
Global Input IDs (first 5): [ 101 6821 3221  671 3667]
   448.6ms [^main][7352][WARNING] Time: model_inference bge_context 28.35
Embedding (Top 10): [-0.03643476 -0.03728764 -0.02388046 -0.01057563 -0.02889536  0.03331324
  0.00216523  0.00452876  0.02087835  0.00425158]
Shape: (768,)
Saved to embedding_a.npy

[Case 2] Input: 今天天气不错
Preprocessing text: '今天天气不错'
Global Input IDs (first 5): [ 101  791 1921 1921 3698]
   482.5ms [^main][7352][WARNING] Time: model_inference bge_context 26.86
Embedding (Top 10): [-0.03643548 -0.03728837 -0.02388093 -0.01056731 -0.02891298  0.0333139
  0.00217274  0.00452885  0.02089581  0.00426872]
Shape: (768,)
Saved to embedding_b.npy

Releasing resources...
     0.0ms [^main][7352][WARNING]  <W> m_CFBCallbackInfoObj is not initialized, return emptyList
   551.7ms [^main][7352][WARNING] Time: model_destroy bge_context 64.33
QNN Context Released.

 

...全文
87 5 打赏 收藏 转发到动态 举报
写回复
用AI写文章
5 条回复
切换为时间正序
请发表友善的回复…
发表回复
  • 打赏
  • 举报
回复

可以看下
https://www.aidevhome.com/?id=54
重新下载使用BGE模型

@创达-技术-李晋 (C:\workspace\gitee-Omni-note\model_server\venv) PS C:\models\bge-base-zh-v1.5-qnn-8380-V1.1&gt; python .\inference.py 正在对 3 个文本编码(每个启动独立子进程)... Traceback (most recent call last): File "C:\models\bge-base-zh-v1.5-qnn-8380-V1.1\inference.py", line 190, in &lt;module&gt; vecs = embed_batch(texts) ^^^^^^^^^^^^^^^^^^ File "C:\models\bge-base-zh-v1.5-qnn-8380-V1.1\inference.py", line 161, in embed_batch raise RuntimeError( RuntimeError: Worker failed for '这是一段测试文本' after 3 retries (last rc=3221225477):
  • 举报
回复
@深圳市进化图灵智能科技有限公司 权限问题,重新下载使用
  • 打赏
  • 举报
回复

可以先使用https://www.aidevhome.com/?id=58
Qwen3-embedding-0.6B 使用指南
过渡一下,bge分析看是硬件不支持算子,这边解决会给到

@创达-技术-李晋 我使用qnn版本的 qwen3-reranker-0.6B 的,没法排序:https://bbs.csdn.net/topics/620344238
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提准确,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不,仅针对一个分类任务部署大模型不划算,推理速慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括

7,639

社区成员

发帖
与我相关
我的任务
社区描述
本论坛以AI、WoS 、XR、IoT、Auto、生成式AI等核心板块组成,为开发者提供便捷及高效的学习和交流平台。 高通开发者专区主页:https://qualcomm.csdn.net/
人工智能物联网机器学习 技术论坛(原bbs) 北京·东城区
社区管理员
  • csdnsqst0050
  • chipseeker
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧